Skaityti anglų kalba

Bendrinti naudojant


„AI Builder“ modelių naudojimas „Power Apps“

Naudodami Power Fx atvirojo kodo bazinės programavimo žinios formules, galite pridėti galingesnių ir lankstesnių AI modelių integracijų į savo Power App. AI modelio prognozė formules galima integruoti su bet kokiais valdikliais drobės programoje. Pavyzdžiui, galite aptikti teksto kalbą teksto įvesties valdiklyje ir išvesti rezultatus į etiketės valdiklį, kaip parodyta toliau pateiktame skyriuje Naudoti modelį su valdikliais .

Reikalavimai

Norėdami naudoti Power Fx modeliuose AI Builder , turite turėti:

Pasirinkite modelį drobės programose

Norėdami naudoti AI modelį su Power Fx, turėsite sukurti drobės programą, pasirinkti valdiklį ir priskirti išraiškas valdiklio ypatybėms.

Pastaba

Modelių, kuriuos AI Builder galite naudoti, sąrašą rasite DI modeliai ir verslo scenarijai. Taip pat galite naudoti integruotus Microsoft Azure modelius mašininis mokymas naudodami funkciją "atsineškite savo modelį ".

  1. Kurti programą. Daugiau informacijos: Tuščios drobės taikomosios programos kūrimas nuo pradžių.

  2. Pasirinkite Data>Add data>AI modeliai.

    Ekrano kopija, kurioje rodoma, kaip pasirinkti modelį.

  3. Pasirinkite vieną ar daugiau modelių, kuriuos norite įtraukti.

    Jei sąraše nematote savo modelio, gali būti, kad neturite teisių jį Power Apps naudoti. Kreipkitės į administratorių, kad išspręstumėte šią problemą.

Modelio su valdikliais naudojimas

Dabar, kai pridėjote AI modelį prie drobės programos, pažiūrėkime, kaip iškviesti AI Builder modelį iš valdiklio.

Toliau pateiktame pavyzdyje sukursime programą, kuri gali aptikti naudotojo programoje įvestą kalbą.

  1. Kurti programą. Daugiau informacijos: Tuščios drobės taikomosios programos kūrimas nuo pradžių.

  2. Pasirinkite Data>Add data>AI modeliai.

  3. Ieškokite ir pasirinkite Kalbos aptikimo DI modelis.

    Kalbos aptikimo modelio ekrano kopija.

    Pastaba

    Turėsite rankiniu būdu vėl įtraukti modelį į programą naujoje aplinkoje, kai perkelsite programą iš vienos aplinkos į kitą.

  4. Pasirinkite + kairiojoje srityje, tada pasirinkite Teksto įvesties valdiklis.

  5. Pakartokite ankstesnį veiksmą, kad įtrauktumėte teksto etiketės valdiklį.

  6. Pervardykite teksto etiketę į Kalba.

  7. Pridėkite kitą teksto etiketę šalia etiketės "Kalba".

    Programų valdikliai, įskaitant teksto ir abiejų etikečių valdiklius.

  8. Pasirinkite teksto etiketę, pridėtą atliekant ankstesnį veiksmą.

  9. Teksto etiketės ypatybės Tekstas formulės juostoje įveskite šią formulę.

    'Language detection'.Predict(TextInput1.Text).Language
    

    Etiketė pasikeičia į kalbos kodą pagal jūsų lokalę. Šiame pavyzdyje en (anglų kalba).

    Kalbos formulė pakeičia etiketės tekstą.

  10. Peržiūros versija programėlę pasirinkdami Paleidimo mygtukas iš viršutinio dešiniojo ekrano kampo.

    Peržiūrėkite programą.

  11. Teksto laukelyje įveskite bonjour. Atkreipkite dėmesį, kad prancūzų kalbos kalba (fr) rodoma po teksto laukeliu.

    Prancūzų kalbos aptikimo pavyzdys.

  12. Panašiai išbandykite tekstą kita kalba. Pavyzdžiui, įvedus guten tag aptiktą kalbą pakeičiama į vokiečių kalbą.

Geriausia praktika

  • Pabandykite suaktyvinti modelio prognozė iš atskirų veiksmų, pvz., "OnClick", naudodami mygtuką, o ne "OnChange " veiksmą teksto įvestyje, kad užtikrintumėte efektyvų kreditų naudojimą AI Builder .

  • Norėdami sutaupyti laiko ir išteklių, įrašykite modelio skambučio rezultatą, kad galėtumėte jį naudoti keliose vietose. Galite išsaugoti išvestį į visuotinį kintamąjį. Išsaugoję modelio rezultatą, galite naudoti kalbą kitoje programos vietoje, kad identifikuota kalba ir jos patikimumo įvertinimas būtų rodomos dviejose skirtingose etiketėse.

    Set(lang, 'Language detection'.Predict("bonjour").Language)
    

Įvestis ir išvestis pagal modelio tipą

Šiame skyriuje pateikiamos pasirinktinių ir iš anksto sukurtų modelių įvestys ir išvestys pagal modelio tipą.

Pasirinktiniai modeliai

Modelio tipas Sintaksė Išvestis
Kategorijų klasifikavimas 'Custom text classification model name'.Predict(Text: String, Language?: Optional String) {AllClasses: {Name: String, Confidence: Number}[],TopClass: {Name: String,Confidence: Number}}
Objekto išskleidimas 'Custom entity extraction model name’.Predict(Text: String,Language?:String(Optional)) {Entities:[{Type: "name",Value: "Bill", StartIndex: 22, Length: 4, Confidence: .996, }, { Type: "name", Value: "Gwen", StartIndex: 6, Length: 4, Confidence: .821, }]}
Objektų aptikimas 'Custom object detection model name'.Predict(Image: Image) { Objects: { Name: String, Confidence: Number, BoundingBox: { Left: Number, Top: Number, Width: Number, Height: Number }}[]}

Iš anksto sukurti modeliai

Pastaba

Iš anksto sukurti modelių pavadinimai rodomi jūsų aplinkos lokalėje. Toliau pateiktuose pavyzdžiuose pateikiami anglų kalbos (en) modelių pavadinimai.

Modelio tipas Sintaksė Išvestis
Vizitinių kortelių skaitytuvas ‘Business card reader’.Predict( Document: Base64 encoded image ) { Fields: { FieldName: { FieldType: "text", Value: { Text: String, BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number }}}}}
Kategorijų klasifikavimas 'Category classification'.Predict( Text: String,Language?: Optional String, ) { AllClasses: { Name: String, Confidence: Number }[], TopClass: { Name: String, Confidence: Number }}
Tapatybės dokumentų skaitytuvas ‘Identity document reader’.Predict( Document: Base64 encoded image ) { Context: { Type: String, TypeConfidence: Number }, Fields: { FieldName: { FieldType: "text", Confidence: Number, Value: { Text: String, BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number }}}}}
Sąskaitų faktūrų apdorojimas ‘Invoice processing’.Predict( Document: Base64 encoded image ) { Fields: { FieldName: { FieldType: "text" | "date" | "number", Confidence: Number,Value: { Text: String, [Date: Date] | [Number: Number], BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number } } } }, Tables: { Items: { Rows: { FieldName: { FieldType: "text" | "date" | "number", Confidence: Number, Key: { Name: String, }, Value: { Text: String, [Date: Date] | [Number: Number], BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number } } } }[] } }}
Pagrindinių frazių išskleidimas 'Key phrase extraction'.Predict(Text: String, Language?: Optional String)) { Phrases: String[]}
Kalbos aptikimas 'Language Detection'.Predict(Text: String) { Language: String, Confidence: Number}
Kvitų apdorojimas ‘Receipt processing’.Predict( Document: Base64 encoded image) { Context: { Type: String, TypeConfidence: Number }, Fields: { FieldName: { FieldType: "text" | "date" | "number", Confidence: Number, Value: { Text: String, [Date: Date] | [Number: Number], BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number } } } }, Tables: {Items: {Rows: {FieldName: { FieldType: "text" | "date" | "number", Confidence: Number, Key: { Name: String, }, Value: { Text: String, [Date: Date] | [Number: Number], BoundingBox: { Top: Number, Left: Number, Height: Number, Width: Number } } } }[] } } }
Požiūrio analizė 'Sentiment analysis'.Predict( Text: String, Language?: Optional String ) { Document: { AllSentiments: [ { Name: "Positive", Confidence: Number }, { Name: "Neutral", Confidence: Number }, { Name: "Negative", Confidence: Number } ], TopSentiment: { Name: "Positive" | "Neutral" | "Negative", Confidence: Number } } Sentences: { StartIndex: Number, Length: Number, AllSentiments: [ { Name: "Positive", Confidence: Number }, { Name: "Neutral", Confidence: Number }, { Name: "Negative", Confidence: Number } ], TopSentiment: { Name: "Positive" | "Neutral" | "Negative", Confidence: Number } }[]}
Teksto atpažinimas 'Text recognition'.Predict( Document: Base64 encoded image) {Pages: {Page: Number,Lines: { Text: String, BoundingBox: { Left: Number, Top: Number, Width: Number, Height: Number }, Confidence: Number }[] }[]}
Teksto vertimas 'Text translation'.Predict( Text: String, TranslateTo?: String, TranslateFrom?: String) { Text: String, // Translated text DetectedLanguage?: String, DetectedLanguageConfidence: Number} }

Pavyzdžiai

Kiekvienas modelis iškviečiamas naudojant nuspėjamąjį veiksmažodį. Pavyzdžiui, kalbos aptikimo modelis paima tekstą kaip įvestį ir pateikia galimų kalbų lentelę, išdėstytą pagal tos kalbos balą. Rezultatas rodo, kaip modelis yra įsitikinęs savo prognozė.

Įvestis Išvestis
'Language detection'.Predict("bonjour") { Language: “fr”, Confidence: 1}
‘Text Recognition’.Predict(Image1.Image) { Pages: [ {Page: 1, Lines: [ { Text: "Contoso account", BoundingBox: { Left: .15, Top: .05, Width: .8, Height: .10 }, Confidence: .97 }, { Text: "Premium service", BoundingBox: { Left: .15, Top: .20, Width: .8, Height: .10 }, Confidence: .96 }, { Text: "Paid in full", BoundingBox: { Left: .15, Top: .35, Width: .8, Height: .10 }, Confidence: .99 } } ] }